behine sazi chand hadafe

صفحه 1:
سمینار دوره اي گروه کنترل بهینه سازي چند هدفه بر اساس الگوريتمهاي جمعيتي آزمایشگاه سيستمهاي هوشمند ‎ae‏ ee 

صفحه 2:
چند تعریف * بهینه سازي روندي است براي یافتن و مقایسه کردن راه حلهاي ممکن تا وقتي که پاسخ بهتري پیدا نشود. * پاسخ خوب یا بد با توجه به هدفی یا اهدافی مشخص تعیین * بهینه سازي چند هدفه و تک هدفه بهينه سازي مقيد و غير مقيد 

صفحه 3:
Optimal solutions f(x) =x? £00) =(x- 1° 25 

صفحه 4:
1 | 0 better 

صفحه 5:
صورت مساله یافتن بردار 7[ج3,...,, ا ]-*به نحوى كه تعداد + قید نامساوی و م قيد مساوي را به صورت زير بر آورده كند: ساد 0كتتارع ماع ۸-0 و نیز بردار تابعي زیر را بهینه نماید: [هاجر.. )ی 6]- ۳ : 2 كه در آن [,3:..:..3 :]> * برداري از متغيرهاي تصميم است. 

صفحه 6:
روشهاي بهینه سازي کلاسیک غیرمقید * روش گرادیان نزولي * روش نیوتن * روش شبه نیوتن آزمایشگاه سيستمهاي هوشمند ‎ne‏ te 

صفحه 7:
روشهاي بهینه سازي کلاسیک مقید روش مجموع وزن دار شده * روش * - مقید روشهاي متریک وزن دار شده روش ‎@rusva‏ روش ... آزمایشگاه سيستمهاي هوشمند اب تیه 

صفحه 8:
° تنها یک پاسخ پرتوي بهینه حاصل مي شود. * _ تمام پاسخهاي پرتوي بهینه قابل یافتن نیستند. * _ تمام روشها نیاز به دانستن اطلاعاتي بیش از صورت مساله هستند همانند وزن مناسب. پاسخ هدف. .. لا تقریبا تمام روشهاي کلاسیک پیشنهاد تبدیل روش بهینه سازي تک هدفه به چند هدفه را دارند! آزمایشگاه سيستمهاي هوشمند اب تیه 

صفحه 9:
MOO آزمایشگاه سيستمهاي هوشمند اب تیه Methods es ‏ع‎ ‎Scalatization Methods [Non-Pareto, non-scalarization] Pareto Methods (apriori articulation of preference) Methods (aposterio aricuton of preference) ‘Nes-eoltonayy |] ‏تست‎ ‏ملد یله‎ WSA Nail) (Weise Sum Apprnach) (Normal Boundary ‏تحماس‎ ‎GAM MOEA (Goal Attainment Method) (Muli-Chjoctve Evohsionay Ale Texicographic Method MOGA ۳ Gen Ale) NSGA, NSGA-IT (Non-dominated Sorting Gen. Al) ecoustaint ‏کج لم[‎ (Sirengten Parcio Evokton VEGA ‏لم‎ NPGA (Vector Evaitating Gen. Al.) CNiched Pareto Gen. Alp) 

صفحه 10:
روشهاي بهینه سازي جمعيتي * الگوریتمهایی هستند که عموما تقليدي از اصول تكاملى 0500 حركات گروهی حیوانات 2080 و .... طراحى و ايجاد مى شوند براي تركيب نمودن روندهاي بهينه سازي و جستجو. * به لحاظ كوناكوني روشهاي جستجو و بهينه سازي از روشهاي آزمايشكاه سيستمهاي هوشمند اب تیه 

صفحه 11:
GO تولیداباز تولید جمعی" 0110012000 ‎Mask:‏ ‎Parents: 1010001110 0011010010‏ ۰ برش 1010010110 ‎Offspring:‏ ‏8 دوه * انتخاب ‎Reproduction} {Competition‏ ‎Survive Selection‏ آزمایشگاه سيستمهاي هوشمند اب تیه 

صفحه 12:
Particle Swarm ptinization ie ‏زک‎ ‎5 ~~ 0 1 د ام 

صفحه 13:
بررسي رفتار پرندگان 

صفحه 14:
چگونگی حرکات ذرات ؟ حرکت ذره در راستای قبلی 

صفحه 15:


صفحه 16:
1۵ 2۵۷) (+ ‏مسیناکم + یداو‎ HAD) cognitiomerm sociakerm 4,5 ~U0,)) ضرایب مثبت رت گت ‎aera Deight 2 1‏ ‎G)-1‏ +206 9 بسا لسن 6006 آزمايشكاه سيستمهاي هوشمند ‏اب تیه 

صفحه 17:
بهینه سازي چند هدفه آزمایشگاه سيستمهاي هوشمند اب تیه 

صفحه 18:
بردار تصمیم ‏ متعلق به مجموعه مجاز 1 يك پاسخ پرتو بهینه است. اگر بردار تصمیم ديگري مانند 2 متعلق به مجموعه مجاز 7 وجود نداشته باشد که بر آن غلبه کند. آزمایشگاه سيستمهاي هوشمند اب تیه 

صفحه 19:
مس منوا ژ 

صفحه 20:
locity ¥; of the particles with random numbers within the pre-deti able range, Vijay i8 set to the upper bound of the decision variables, Set ere best position pj), iteration counter 0 Evaluation. ©: +1. Evaluate each particle in the current population using equation @. If ‏زکرم معط راز‎ Find Fyyjy=min{ Fj}. and corresponding position ‏رکه‎ ‎Select global best Pg = Xyain New pa Calculate the new velocity NV; and new position NX; based on the current xj (é=1, 2, .... N), using equations (3) and (2), and the objective function values for all the new particles. Combine all xj and NX; (2N particles) together and store them in a icles generation. temporary list fempList. Non-dominated Sorting Identify non-dominated solutions in tempList and store them in a matrix PFront (Pareto front), Set front number k=1 a) Remove the non-dominated particles from tempList. b) k=K+1. Identify non-dominated solutions in the remaining tempList them in a matrix Frontk (front 4). ¢) Repeat b) and ¢) until all 2V particles are ranked into differe nd store fronts, آزمایشگاه سيستمهاي هوشمند اب تیه 

صفحه 21:
Select particles for next iteration: If PFront size >N, then randomly select N particles from PFroat and store them as NextX. Otherwise, store PFroat as NextX then randomly select particles in next front (Fronék) and add them to NextX until NextX size=N. 6. Calculate objective funetions values for all particles in NextX and set the NextX as the current positions x for the next iteration. 7. Mall ¥<0.1Vyay execute the following steps, otherwise go to 8). a) Randomly select 20% particles in current population and randomly change thei positions by 10% of the V,,,qx- Store them in Xtemp. b) Evaluate the Xtemp and find the particles which dominate any particles in the current Pareto front, Use these dominating particles to replace the corresponding particles in the current x ©) Repeat a) and b) K times (K: N, 8. If F< ۷, go to 2) ~10), make sure the number of x dose not exceed 9. Store the non-cominated solutions from the final population and calculate the per- formance metric values (see equations (8) and (9) in the next section). آزمایشگاه سيستمهاي هوشمند اب تیه 

صفحه 22:
ارزيابي به منظور بررسی روش مطرح شده. از توابع استاندارد 2۳711-2۳4 استفاده گردیده است . تابع 71071 داراي جبهه پرتو مقعر. تابع 7772 داراي جبهه پرتو محدب. تابع 71773 داراي جبهه پرتو گسسته و تابع 4 يك مساله مالتي مدال مي باشد که به علت داشتن تعداد 217 پرتو محلي» دست يابي به جبهه اصلي براي بسياري از الگوریتمها دشو مي باشد. فرم رياضي و شکل جبهه پرتو ع همات که در تمامي آنها مقدار جبهه پرتو با قرار دادن حاصل مي گردد : Minimize f(x) Minimize f(x) = g(x)h( f(x). g(@)) آزمایشگاه سيستمهاي هوشمند اب تیه 

صفحه 23:
توابع تست 1 ‎me = 30, and € [0,1]. The Pecro-prtnal feos is formal with g(x)‏ ماه ‎ ‎ ‎ ‎fhe Finger ‎ere m = Wand 2; € [01], The Paret-aptinal front is frmel wit ox) = 1 ‎ ‎ ‎ ‏آزمایشگاه سيستمهاي هوشمند ‏اب تیه ‎ ‎ 

صفحه 24:
توابع تست 2 1 several ‏و‎ conves parts: film) =n 922-092) = 1+9- DE. zif(m—1) 9 Whig) = 1-Vhifa—(fi/a) sin(0n fr) here m = 30, and 2; € [0,1], The Paretmoprinta front is formed with g(x) = 1. The intvuduction of the sine function im canes discomtinnity in he Pareto-optimal front, Hlowever, shore is no discontinuity in the paramscter space. 

صفحه 25:
توابع تست 3 ‘i ee ‏مسسه‎ film) 3 ales, = 14100 = 1) + D Male? ‏هس10‎ ۵ = 1- Vile here m = 10, 1 € [0,1], and 2p.--.tm € [5,5]. The global Parero-prioal font is forned with glx) = L, the best last! Parce-oprinal frou with g(x) = 1.25. Note that noe “all ecal Pareto-optimal sets are distinguishable in th ejesive space. آزمایشگاه سيستمهاي هوشمند اب تیه 

صفحه 26:
‎Ls :‏ ‎cy! ;Geh@rational Distance (GD)‏ مفی وم به عنوان معياري براي اندازه گيري میزان نزديكي پاسخهاي غیر مغلوب یافته شده توسط الگوریتم به جبهه پرتو حقيقي استفاده مي شود و به صورت زیر تعریف مي گردد: ‎ ‏که در آن تعداد پاسخهای یافت شده غیر مغلوب در مجموع پاسخ نهایی بوده و ,1 فاصله اقلیدسی میان هر کدام از این اعضا و نزدیک‌ترین عضو از مجموعه پرتو حقيقي مي باشد که در فضاي هدف اندازه گيري مي شود. ‏آزمایشگاه سيستمهاي هوشمند ‏اب تیه 

صفحه 27:
ارزيابي ‎Spread‏ مفهوم به عنوان معياري براي اندازه گيري پراكندگي پاسخهاي غیر مغلوب ‎CEL‏ شده توسط الگوریتم در طول جبهه پرتو معرفي شده و به صورت زیر تعریف مي گردد: اتاج عن كد ‎ld; —d|‏ عا ‎le‏ سر ‎Dat Hla‏ 4 در آن ,1 هر نوع فاصله (اقليدسي منهتن و ...) ميان ياسخهاي ايه بوده ومقدار 4 میانگین این فواصل مي باشد و ,۴ فاصله ميان پاسخهاي نهايي 7* و ۵ در طول ام تابع هدف مي شد که در آن ط* مجموعه اي شامل 500 نقطه مي باشند که به طور یکنوا از جبهه پرتو حقيقي تولید شده اند و 0 مجموعه پاسخهاي غیر مغلوب یافت شده تون | باشد. ea as اب تیه 

صفحه 28:
ra © | هه 9514 | 13 29262 | 6-2 7a2e4 | 69165 satea | a02e0 2.7964 | 1.88-10 Ziel ea | آزمایشگاه سيستمهاي هوشمند اب تیه 213 T9065 4200-5 ides 2.8509 Tae 0 1846-9 3 44262 added 0 5.2066: 4 25304 2204 2 م ]ا هه | 50165 ‎tate [0‏ 3050 اس ‎rated | tae‏ و | مه | ده ZT a 12503 | 6 ۳ 75364 | 4185 فمدقة | ممدفد 21 26 | مهد 2.184 ۴ | مموتر Algorith ‘SPEA NSGAIT NSPSO مهد 

صفحه 29:
جند كاربرد كنترلي و غير كنترلي * طراحي بارامترهاي كنترلر 025460 * یافتن مقادیر ویژه در طراحي فیدبک * کنترل مقاوم * کنترل پیش بين - محاسبات عددی آزمایشگاه سيستمهاي هوشمند سوه 

صفحه 30:
چند کاربرد كنترلي و غير كنترلي در ازمایشگاه سیستمهای هوشمند 1. پروژه آقایان صباحي و شريفي 2 پروژه آقاي احمدیه 3. پروژه خانم چماني آزمایشگاه سيستمهاي هوشمند اب تیه 

صفحه 31:
کنترل بار فرکانس در سیستم هاي قدرت ACE, = B, Af, +AP, ACE, = By Afy ~ ‏ملگ‎ omar 

صفحه 32:
طراحی چند هدفه کنترل ‎PID osu‏ ناحيه اول 0 ال ‎Ft Setting Tine‏ 

صفحه 33:
آزمایشگاه سيستمهاي هوشمند اب تیه 

صفحه 34:
بهينه‌سازي چندهدفه مدلغزشي پاندول معکوس چرخنده بر اساس الگوریتم ژنتيك توابع هدف < محك خطا 5 4( + )۲ - محك ينها © 0 ام TU abies, C= Hija ۱< 6 مناد 6 آزمايشكاه سيستمهاي هوشمند سوه 

صفحه 35:
بهينه‌سازي چندهدفه مدلفزشي پاندول معکوس چرخنده بر اساس الگوریتم ژنتيك * قیود -سيكنال كنترلي - يارامترها زاويه موتور 

صفحه 36:
53 tg 2 ‏ی‎ ‏اسب 3< لا‎ ۱ a 1: تمودار يدست آمده يراى تقطه © از مجموعه نقاط بهيته بدست آمده 

صفحه 37:
طراحي جاذب الکترومغناطيسي = 201 ax( R B 3 ۲ / 7 logip{max(R(f)).|f € BY ‏نوع فده (ضریب انعکاس)‎ ۰ * میزان ضخامت ماده 2 آزمایشگاه سيستمهاي هوشمند "۳" ‎ee‏ 

صفحه 38:
!!إنتيجه * اكر جند هدف را به طور همزمان خواستيم بهينه كنيم بهينه سازى جند هدفه كزينه بسيار مناسبى است!! آزمايشكاه سيستمهاي هوشمند اب تیه 

سمينار دوره اي گروه کنترل بهينه سازي چند هدفه بر اساس الگوريتمهاي جمعيتي آزمايشگاه سيستمهاي هوشمند چند تعريف • • • • بهينه سازي روندي است براي يافتن و مقايسه کردن راه حلهاي ممکن تا وقتي که پاسخ بهتري پيدا نشود. پاسخ خوب يا بد با توجه به هدفي يا اهدافي مشخص تعيين مي شود. بهينه سازي چند هدفه و تک هدفه بهينه سازي مقيد و غير مقيد آزمايشگاه سيستمهاي هوشمند سوال:کمينه 2تابع زير را بيابيد: ‏f 1 x  x 2 ‏f 2 x  x  1 2 آزمايشگاه سيستمهاي هوشمند راه حل پرتو 1 / Speed آزمايشگاه سيستمهاي هوشمند ‏better ‏better ‏Cost صورت مساله يافتن بردار x*=[x1,x2,…,xr]Tبه نحوي كه تعداد mقيد نامساوي و p قيد مساوي را به صورت زير بر آورده كند: و نيز بردار تابعي زير را بهينه نمايد: كه در آن آزمايشگاه سيستمهاي هوشمند برداري از متغيرهاي تصميم است. روشهاي بهينه سازي کالسيک غيرمقيد • • • • روش گراديان نزولي روش نيوتن روش شبه نيوتن ... آزمايشگاه سيستمهاي هوشمند روشهاي بهينه سازي کالسيک مقيد • • • • روش مجموع وزن دار شده روش - مقيد روشهاي متريک وزن دار شده روش Benson • روش .... آزمايشگاه سيستمهاي هوشمند مشکالت کالسيک مقيد • • • تنها يک پاسخ پرتوي بهينه حاصل مي شود. تمام پاسخهاي پرتوي بهينه قابل يافتن نيستند. تمام روشها نياز به دانستن اطالعاتي بيش از صورت مساله هستند همانند وزن مناسب ،پاسخ هدف... ، تقريبا تمام روشهاي کالسيک پيشنهاد تبديل روش بهينه سازي تک هدفه به چند هدفه را دارند! آزمايشگاه سيستمهاي هوشمند آزمايشگاه سيستمهاي هوشمند روشهاي بهينه سازي جمعيتي • الگوريتمهايي هستند که عموما تقليدي از اصول تکاملي EA حرکات گروهي حيوانات PSOو ....طراحي و ايجاد مي شوند براي ترکيب نمودن روندهاي بهينه سازي و جستجو. • به لحاظ گوناگوني روشهاي جستجو و بهينه سازي از روشهاي کالسيک بهترند! آزمايشگاه سيستمهاي هوشمند GA Mask: 0110011000 Parents: 1010001110 0011010010 Offspring: 0011001010 1010010110 باز توليد جمعيت/توليد برش جهش انتخاب Reproduction Competition Survive Selection • • • • آزمايشگاه سيستمهاي هوشمند Particle Swarm Optimization آزمايشگاه سيستمهاي هوشمند بررسي رفتار پرندگان آزمايشگاه سيستمهاي هوشمند چگونگي حرکات ذرات ؟ حرکت ذره در راستاي قبلي حرکت جديد حرکت ذره در راستاي بهترين تجربه خود بهترين تجربه آزمايشگاه سيستمهاي هوشمند راستايبهترين ذرهدردرراستاي حرکتذره حرکت بهترين جمعيت تجربه کل (محلي) همسايگان تجربه محلي بهترين بهترين کلي همسايگان 3 8 1 7 4 9 2 6 آزمايشگاه سيستمهاي هوشمند 5 تنظيم سرعت ذرات       vi (t)  vi (t  1)  r1c1 xpbesti  xi t  r1c1xgbest xi t             r1 , r2 ~U(0,1)   cognitionterm socialterm c1 & c2 ضرايب مثبت Inertia Weight : Clerc and Kennedy 2002 1   c1  c2   1 2 آزمايشگاه سيستمهاي هوشمند بهينه سازي چند هدفه ‏MultiObjective Optimization آزمايشگاه سيستمهاي هوشمند مجموعه پرتو بهينه بردار تصميم x1متعلق به مجموعYYه مجYYاز FيYYك پاسYYخ پرتYYو بهينYYه است ،اگر بYYردار تصYYميم ديگYYري مانند x2متعلق به مجموعه مجاز Fوجود نداشته باشد كه بYYر آن غلبه كند. آزمايشگاه سيستمهاي هوشمند آزمايشگاه سيستمهاي هوشمند آزمايشگاه سيستمهاي هوشمند آزمايشگاه سيستمهاي هوشمند ارزيابي به منظور بررسي روش مطرح شده ،از توابع اسYYتاندارد ZDT1~ZDT4 استفاده گرديده است .تابع ZDT1داراي جبهه پِرتو مقعر ،تابع ZDT2 داراي جبهه پِرتو محدب ،تابع ZDT3داراي جبهه پِرتYYو گسسYYته و تYYابع ZDT4يك مساله مالتي مدال مي باشد كه بYYه علت داشYYتن تعYYداد 219 پِرتو محلي ،دست يابي به جبهه اصلي براي بسياري از الگوريتمهYYا دشYYوار مي باشد .فرم رياضي و شكل جبهه پرتو اين توابع به شرح زيYYر مي باشYYد كه در تمامي آنها مقدار جبهه پِرتو با قرار دادن حاصل مي گردد : آزمايشگاه سيستمهاي هوشمند توابع تست 1 آزمايشگاه سيستمهاي هوشمند توابع تست 2 آزمايشگاه سيستمهاي هوشمند توابع تست 3 آزمايشگاه سيستمهاي هوشمند ارزيابي ( :Generational Distance )GDاين مفهYYYوم بYYYه عنYYYوان معياري براي اندازه گيري ميزان نزديكي پاسخهاي غير مغلوب يافتYYه شYYده توسط الگوريتم به جبهه پِرتو حقيقي اسYYتفاده مي شYYود و بYYه صYYورت زيYYر تعريف مي گردد: كه در آن mتعداد پاسخهاي يYافت شYده غYير مغلYوب در مجمYوع پاسYخ نهايي بوده و diفاصله اقليدسي ميان هYYر كدام از اين اعضYYا و نزديكترين عضو از مجموعه پِرتو حقيقي مي باشد كه در فضاي هدف اندازه گYYيري مي شود. آزمايشگاه سيستمهاي هوشمند ارزيابي :Spreadاين مفهوم به عنوان معيYYاري بYYراي انYYدازه گYYيري پراكنYYدگي پاسخهاي غير مغلوب يافت شده توسط الگوريتم در طول جبهه پِرتو معرفي شده و به صورت زير تعريف مي گردد: كه در آن diهYYر نYYوع فاصYYله (اقليدسYYي ،منهتن و )...ميYYان پاسYYخهاي همسايه بوده و مقدار dميانگين اين فواصل مي باشد و demفاصله ميYYان پاسخهاي نهايي *Pو Qدر طول mام تابع هدف مي باشد كه در آن *P مجموعه اي شامل 500نقطه مي باشند كه بYYه طYYور يكنYYوا از جبهYYه پِرتYYو حقيقي توليد شده اند و QمجموعYYه پاسYYخهاي غYYير مغلYYوب يYYافت شYYده توسط الگوريتم مي باشد. آزمايشگاه سيستمهاي هوشمند ZDT1 ZDT2 Algorith m GD 2 GD SPEA 1.25e-3 0 3.04e-3 NSGAII 8.94e-4 0 NSPSO 7.53e-4 AWPSO ZDT3 2 ZDT4 GD 2 GD 2 2.00e-5 4.42e-2 1.90e-5 9.514 11.321 8.24e-4 0 4.34e-2 4.20e-5 2.92e-2 4.67e-2 4.18e-5 8.05e-4 3.05e-5 3.4e-2 2.54e-4 7.82e-4 6.91e-5 1.01e-4 2.61e-9 1.21e-4 1.4e-9 5.206e4 2.85e-9 5.34e-4 3.92e-8 RSSA 1.83e-4 2.84e-1 0 1.05e-4 4.15e-1 0 2.53e-4 1.32e-1 0 2.79e-4 1.88-10 SOPSO 1.75e-4 2.184e9 1.12e-4 1.184e9 2.2e-4 1.84e-9 1.7e-4 2.84e-1 0 آزمايشگاه سيستمهاي هوشمند چند کاربرد کنترلي و غير کنترلي • • • • • طراحي پارامترهاي کنترلر PID يافتن مقادير ويژه در طراحي فيدبک کنترل مقاوم کنترل پيش بين – محاسبات عددی ... آزمايشگاه سيستمهاي هوشمند چند کاربرد کنترلي و غير کنترلي در آزمايشگاه سيستمهاي هوشمند .1پروژه آقايان صباحي و شريفي .2پروژه آقاي احمديه .3پروژه خانم چماني آزمايشگاه سيستمهاي هوشمند كنترل بار فركانس در سيستم هاي قدرت ‏B1 + ‏Δf1 ‏PID ناحيه اول + + ‏T _ ‏Δf2 + ‏ΔPtie, actual ‏ΔPtie, sched. ناحيه دوم ‏B2 آزمايشگاه سيستمهاي هوشمند _ ‏ΔPtie, error ‏PID + طراحي چند هدفه كنترل كننده PID ناحيه اول ناحيه دوم آزمايشگاه سيستمهاي هوشمند آزمايشگاه سيستمهاي هوشمند بهينهسازي چندهدفه مدلغزشي پاندول معكوس ‌ چرخنده بر اساس الگوريتم ژنتيك • توابع هدف – محك خطا ‏ 2 2 ‏ ( ‏e ( ‏t ) ‏ ‏e (t ))dt ‏ 0 – محك Chattering 2 ‏cc T d 2u dt ‏dt ‏ ‏C udt ‏offline ‏T umax ‏C ‏C  u ‏C  u  uf آزمايشگاه سيستمهاي هوشمند بهينهسازي چندهدفه مدلغزشي پاندول معكوس ‌ چرخنده بر اساس الگوريتم ژنتيك • قيود – سيگنال كنترلي – پارامترها – زاويه موتور آزمايشگاه سيستمهاي هوشمند نتايج آزمايشگاه سيستمهاي هوشمند طراحي جاذب الکترومغناطيسي • نوع ماده (ضريب انعکاس) • ميزان ضخامت ماده آزمايشگاه سيستمهاي هوشمند !!!نتيجه • اگر چند هدف را به طور همزمان خواستيم بهينه کنيم بهينه سازي چند هدفه گزينه بسيار مناسبي است!! آزمايشگاه سيستمهاي هوشمند